目的 通过分析卒中局灶性病变与卒中后失眠的关系,探讨卒中后失眠的神经解剖基础,为卒中后失眠诊断与治疗提供新的思路.方法 本研究前瞻性纳入50名卒中患者为研究对象,使用失眠严重程度指数量表对其失眠状况进行评估,并将患者分为失眠组与非失眠组.使用体素病变症状映射来检验失眠与病变位置之间的关联.利用大型标准连接组数据集(N=1000)计算病变网络图,检验其与失眠之间的联系,并以此结果定位失眠网络.此外,通过分析网络损伤分数与失眠程度之间的联系,证明失眠网络的可靠性.结果 体素病变症状映射分析未发现任何病变体素与失眠显著相关.然而,在病灶网络映射分析中,病变位置映射到一个以右侧丘脑为核心的大脑网络,该网络与失眠组患者局灶性病变的交叉程度显著高于无失眠组病变.结论 卒中后失眠患者的病变位置未能映射到任何脑区,而是映射到一个特定的脑网络.该网络可能对卒中后失眠患者的早期诊断和治疗具有重要意义.

目的：:探讨基于光学相干断层扫描（OCT）图像的深度学习算法用于湿性年龄相关性黄斑变性（wAMD）的分型的可行性以达到辅助眼科疾病诊断的目的。方法：:数据使用2018年6月至2019年6月在宁波市眼科医院门诊确诊为wAMD患者39例（46眼）。首先将资深眼科专家提供的每例患者AMD等级作为分型算法的金标准，再使用Resnet34模型结构输出预测分型结果并与金标准对比，不断进行参数微调直到损失收敛，最终实现自动判断患者疾病等级。结果：:使用已训练的模型进行所有测试病例的预测，基于正确的病例数与所有测试病例数的比例作为算法最终的准确率，结果表明深度学习网络方法分型准确率，与普通医师wAMD分型准确率相比，高出20%。通过梯度加权的类激活映射可视化模型诊断依据可作为临床医师诊断的参考。结论：:深度学习经OCT图像数据训练后对wAMD分型的准确率明显高于普通医师对wAMD的分型准确率。基于深度学习算法的wAMD分型结果可用于疾病的辅助诊断，缓解国内专业眼科医师紧缺的现状。

目的 肝包虫病的CT影像映射了不同亚型包虫病的病理学的差异性,本研究获取了可以印证包虫病病理学改变的关键的影像组学特征,结合人工神经网络(artificial neural network,ANN)对肝包虫病和正常肝脏进行分型,为肝包虫病的诊断、分型提供支持.方法 提取基于灰度直方图、灰度共生矩阵、灰度-梯度共生矩阵等36 维特征值,构建肝包虫图像特征集;选取曲线下面积(area under curve,AUC)＞0.72 以获取反映图像特征变化的关键影像组学特征,并绘制特征分布曲线;构建BP神经网络模型并采用参数评估、受试者工作特征(receiver operating characteristic,ROC)曲线对模型进行定量评价.结果 AUC特征分布:正常肝脏的特征曲线分布均匀,各特征峰值明显低于肝包虫病影像;单囊型特征分布曲线均显现出双峰分布,包虫病灶区域与正常组织形成明显灰度纹理差异性;多囊型特征分布集中且峰值紧凑,灰度级和纹理分布更密集、更复杂,与CT影像中"囊内囊"表现相印证.BP 神经网络分型:多囊型、单囊型和正常肝脏影像的训练、验证、测试、全部样本分类准确率均达到90%以上.结论 BP神经网络模型对肝包虫病与正常肝脏CT图像灰度纹理特征差异具有较好的感知判别效果,为肝包虫疾病的早期发现、确诊、治疗提供科学依据.

糖尿病视网膜病变(DR)已成为全球4大主要致盲疾病之一,及早确诊可以有效降低患者视力受损的风险.通过融合深度学习可解释性特征,提出一种DR自动诊断方法,首先利用导向梯度加权类激活映射图和显著图两种可解释性方法生成不同标记的病灶图像,再通过卷积神经网络提取原图像和两种生成图像的特征向量,最后融合3种特征向量并输入到支持向量机中以实现DR的自动诊断.在1443张彩色眼底图像构成的数据集上,相对于基础ResNet50模型,该方法诊断准确率提高3.6％,特异性提高2.4％,灵敏度提高5.8％,精度提高4.6％,Kappa系数提高7.9％,实验结果表明该方法能有效降低误诊的风险.

[目的]肺结节图像具有相似度高和关联度高等特点,但传统图像哈希方法不能完整表达图像内容和语义信息导致检索的精度下降,因此,探讨一种基于深度哈希学习的肺结节CT相似图像检索方法.[方法]采用LIDC-IDRI公开数据集,首先,通过构造加入注意力机制的卷积神经网络与双向长短期记忆网络提取肺结节图像中带有权重信息的图像区域特征与区域间上下文相关信息,并将两种网络提取的深度特征进行融合,通过全连接层过渡到哈希层,实现哈希码的有效映射;其次,采用分级检索策略,利用本文的深度网络预测待查询图像的标注信息以获取对应的类库,在类内检索得到一组具有相似哈希码的候选对象构成候选池,然后根据池内图像高层语义特征进行相似度排序获取相似的肺结节图像列表.[结果]通过对公开数据集LIDC-IDRI进行实验分析,本文所提方法的平均检索精度提高到91.00％;与其他模型相比,准确率、召回率均有明显提升.[结论]本文构建了一种基于深度哈希网络的肺结节CT相似图像检索方法,该方法对肺结节病灶检索性能优于传统方法,可为临床医学诊断提供一定的参考价值.

[背景]单细胞RNA测序技术(scRNA-seq)和空间转录组测序技术的兴起使得肺部疾病得以深入研究,但这两者在矽肺中的研究甚少.[目的]利用scRNA-seq联合空间转录组测序技术探索矽肺巨噬细胞中差异表达基因(DEGs)和潜在诊断基因.[方法]雄性C57BL/6小鼠(5～6周龄,22～30 g)随机分为4组,即生理盐水(NS)组7 d、NS组56 d、SiO2组7 d及SiO2组56 d,每组各1只.SiO2组小鼠通过气管滴注SiO2悬液(0.2 g·kg?1,50 mg·mL?1)构建矽肺模型,对照组小鼠给予相同体积NS,第7、56天分别摘取右肺用于scRNA-seq以及左肺用于空间转录组测序.利用主成分分析技术和均匀流形逼近和投影降维,捕获细胞群.应用R语言的Find Markers函数分析两组肺组织中巨噬细胞的DEGs变化,对相应的DEGs进行基因本体富集分析和京都基因与基因组百科全书信号通路分析,同时应用STRING及Cytoscape软件的CytoHubba插件进行蛋白相互作用网络分析,筛选出关键(Hub)基因.运用空间转录组测序探究Hub基因在肺组织切片上的原始位置以及在肺巨噬细胞中的映射.最后验证Hub基因在矽肺病患者肺组织和小鼠矽肺模型中表达水平的关联性以及运用受试者工作特征曲线验证Hub基因诊断效能.体外实验应用细胞活力检测技术,验证SiO2刺激下小鼠巨噬细胞(RAW264.7)活力的变化.[结果]scRNA-seq显示共捕获并定义了20个细胞群.scRNA-seq和空间转录组测序结果显示,与NS组相比,在SiO2组小鼠肺组织中观察到巨噬细胞数量增多且聚集在病灶区.共筛选出97个巨噬细胞DEGs,包括75个上调基因,主要富集于中性粒细胞的趋化和迁移、趋化因子受体结合、肿瘤坏死因子信号通路、细胞因子-细胞因子受体相互作用通路、白介素-17信号通路等过程中;22个下调基因,主要富集于晚期内吞体、过氧化物酶体增殖物激活受体信号通路和酒精性肝病信号通路等过程中.共筛选出2个核心模块和3个Hub基因,包括Ccl2、Ccl7、Ptgs2,scRNA-seq显示与NS组相比,它们在SiO2组的表达水平升高且聚集在新增的巨噬细胞中,空间转录组测序显示它们聚集在炎性伴有结节病灶区;CCL7、PTGS2在矽肺患者肺组织中表达量相较于健康者增高,受试者工作曲线下的面积分别为0.850和0.786.与0 h相比,SiO2刺激下3 h、6 h、12 h RAW264.7细胞活力增强(P<0.05).[结论]通过生物信息学筛选出了矽肺小鼠肺组织的3个Hub基因(Ccl2、Ccl7、Ptgs2)和2个潜在诊断基因(CCL7、PTGS2)可能是潜在的矽肺早期阶段的分子生物学标志物,对矽肺的发生发展和预后存在一定的影响.

目的 提出一种组织感知的对比度增强网络(T-ACEnet)对CT图像进行增强显示,并验证该结果对于现有器官分割任务的精度提升.方法 原始CT图像通过映射生成具有肺窗、软组织窗对比度的低动态灰阶图像,监督子网络通过肺部掩膜学习感知肺部、腹腔软组织的最佳窗宽窗位设置.自监督子网络通过极值抑制损失函数保持器官边缘结构信息.增强网络生成的图像被用作分割网络的输入,进行腹部多器官的分割.结果 T-ACEnet所生成的图像可以在一幅图像中包含更多窗口设置信息,便于医生进行病灶的初步筛查.且T-ACE图像在SSIM、QABF、VIFF、PSNR指标上相较于次优方法分别提升了0.51、0.26、0.10和14.14,MSE则降低了一个数量级.同时,T-ACE图像作为分割网络输入时,相较于原始CT图像,在不改变模型的情况下可以有效提高器官分割精度,5个分割定量指标均得到了提升,最大一项可提高4.16%.结论 本研究所提出的T-ACEnet可以感知性地增强器官组织对比度,提供更全面、更连续的诊断信息,同时所生成的图像可以显著提高器官分割任务的表现.